python scrapy拆解查看Spider类爬取优设网极细讲解_开发_开发者

拆解 scrapy.Spider

本次采集的目标站点为：优设网

每次创建一个 spider 文件之后，都会默认生成如下代码：

import scrapy
class UiSpider(scrapy.Spider):
    name = 'ui'
    allowed_domains = ['www.uisdc.com']
    start_urls = ['http://www.uisdc.com/']

    def parse(self, response):
        self.log()

继承的基类 scrapy.Spider 自然就成了我们要研究的第一个内容，进入其源码，发现如下内容。

scrapy.Spider 核心实现的是 start_requests 方法

Spider 主要进行的操作就是初始化 Request 请求，而这些都是通过 start_requests 实现的，详细代码为：

for url in self.start_urls:
    yield Request(url, dont_filter=True)

对 start_requests 方法，你可以自己编写同名函数覆盖修改，编写时发现了 make_requests_from_url 方法，该方法在最新版本的 scrapy 中已经被废除。

重写 start_requests 方法，需要注意重写时，必须返回一个可迭代对象，并且该对象包含 spider 用于爬取的第 1 个 Request，由于 scrapy 只调用一次该方法，所以你可以将登录站点请求放置到该方法中。

import scrapy
from scrapy.http import Request
class UiSpider(scrapy.Spider):
    name = 'ui'
    allowed_domains = ['www.uisdc.com']
    start_urls = ['http://www.uisdc.com/']

    def start_requests(self):
        print("重写 start_requests")
        yield Request(self.start_urls[0])

    def parse(self, response):
        print(response)

将登录信息放置到 start_requests 中，代码如下：

import scrapy
from scrapy.http import FormRequest
class UiSpider(scrapy.Spider):
    name = 'ui'
    allowed_domains = ['www.uisdc.com']
    start_urls = ['http://www.uisdc.com/']

    def start_requests(self):
        print("手动 start_requests")
        yield FormRequest("https://httpbin.org/post", formdata={"user": "ca"}, callback=self.parse)

    def parse(self, respon编程客栈se):
        print(response.text)

scrapy.Spider 属性值

name 属性：

表示爬虫名称，spider 的名称用于 scrapy 定位爬虫，所以非常重要，一般常见的名称方式是使用网站域名（domain），命名 spider，例如 baidu.com 命名为 baidu，但是工作喜欢还是携带 .com 后缀。

allowed_domains 属性：

该属性需要配置 offsiteMiddleware 使用，当该中间件启用之后，待采集 URL 的域名如果不在 allowed_domains 列表中，会被禁止访问。

domains 内容添加，假设你的目标 URL 是 http://www.baidu.com/123.html，仅填写 baidu.com 即可。

start_urls 属性：

起始的 URL 列表，主要用于 start_request 方法进行迭代。

custom_settings 属性：

自定义配置，可以覆盖 settings.py 的配置，以字典格式赋值。

    custom_settings = {
        "ROBOTSTXT_OBEY": False # 不请求 robot.txt 文件
    }

crawler 属性：

该属性在爬虫启动后，由类方法 from_crawler() 设置。

settings 属性：

指定配置文件的实例。

logger 属性：

spider 日志输出对象，默认以 spider 名称创建，可以自定义。

self.logger.info('输出响应地址 %s', response.url)
logger.info('输出响应地址 %s', response.url)

补充一下 scrapy 日志级别

在 settings.py 中设置 log 级别，只需要增加一行代码：

LOG_LEVEL = 'WARNING'

设置为 WARNING 级别，会发现 scrapy 默认的各种调试信息，都不在控制台输出。

scrapy 日志级别与 logging 模块一致。

CRITICAL：严重错误；

ERROR ：一般错误；

WARNING：警告信息；

INFO ：一般信息；

DEBUG：调试信息。

在 scrapy 中的 settings 中关于日志的配置如下：

LOG_ENABLED：默认: True，表示启用 logging；

LOG_ENCODING：默认: utf-8，logging 使用的编码；

LOG_FILE 默认: None，日志保存的文件名；

LOG_LEVEL：默认 DEBUG ，log 的最低级别。

scrapy.Spider 实例方法与类方法

from_crawler 类方法

在查看源码之后，该方法的功能会比较清晰。

@classmethod
def from_crawler(cls, crawler, *args, **kwargs):
    spider = cls(*args, **kwargs)
    spider._set_crawler(crawler)
    return spider

def _set_crawler(self, crawler):
    self.crawler = crawler
    self.settings = crawler.settings
    crawler.signals.connect(self.close, signals.spider_closed)

该方法设置了 crawler 和 settings 两个属性，该方法在上一篇博客已经有所涉及，直接回顾即可。

parse 方法

当请求（Request）没有指定回调参数（callback）时，该方法是 scrapy 用来处理响应的默认回调方法。

log 方法

使用 self.log() 方法记录日志。

学习到这里，对 Spider 模块有了一个比较整体的认识。

爬取优设网

接下来进入爬虫采集相关代码编写，有了前文知识铺垫之后，采集代码就变得非常简单了。

import scrapy
from uisdc.items import UisdcItem
class UiSpider(scrapy.Spider):
    name = 'ui'
    allowed_domains = ['www.uisdc.com']
    start_urls = ['https://www.uisdc.com/archives']
    custom_settings = {
        "ROBOTSTXT_OBEY": False
    }

    def parse(self, response):
        # print(response.text)
        # self.log("测试是否有数据输出", logging.WARNING)
        items = response.xpath('//div[@id="archive_list"]/div/div[1]/div[1]/div[contains(@class,"item-article")]')
        for i in items:
            item = UisdcItem()
            title = i.xpath(".//h2[@class='item-title']/a/text()").extract_first()
            author = i.xpath(".//h3[@class='meta-name']/text()").extract_first()
            tag = i.xpath(".//div[@class='meta-tag']/a/text()").extract_first()
            item["title"] = title
            item["author"] = author
            item["tag"] = tag
            yield item

接下来修改源码，增加 ** Item Loaders** 填充容器机制。通过 from scrapy.loader import ItemLoader 导入新类，该类的构造函数如下：

def __init__(self, item=None, selector=None, response=None, parent=None, **context)

其中 item 是容器类，selector 为 Selector 对象，提取填充数据的选择器，response 为 Response 响应对象。

代码修改之后得到如下代码：

import scrapy
from uisdc.items import UisdcItem
from scrapy.loader import ItemLoader
class UiSpider(scrapy.Spider):
    name = 'ui'
    allowed_domains = ['www.uisdc.com']
    start_urls = ['https://www.uisdc.com/archives']
    custom_settings = {
        "ROBOTSTXT_OBEY": False
    }
    def parse(self, response):
        iteClAiwMms = response.xpath('//div[@id="archive_list"]/divClAiwM/div[1]/div[1]/div[contains(@class,"item-article")]')
        for i in items:
            l = ItemLoader(item=UisdcItem(), selector=i)
            l.add_xpath('title', ".//h2[@class='item-title']/a/text()")
            l.add_xpath('author', ".//h3[@class='meta-name']/text()")
            l.add_xpath('tag', ".//div[@class='meta-tag']/a/text()")
            yield l.load_item()

其中需要注意 l = ItemLoader(item=UisdcItem(), selector=i) 使用 selector 参数，并赋值为迭代变量 i，如果使用 response 会得到重复数据。

最后，当所有数据被收集起来之后, 调用 ItemLoader.load_item() 方法, 返回 Item 对象。

输出 item 对象，发现每一个数据都是列表。

{'author': ['土拨鼠'],
 'tag': ['产品设计'],
 'title': ['6000+干货！资深总监的四条产品设计工作观（附私藏神器包）']}

接下来需要处理每一项的值，ItemLoader 得到的数据，在存入 item 容器前，是支持对数据进行预处理的，即输入处理器和输出处理器，修改 items.py 文件。

from scrapy.item import Item, Field
from scrapy.loader.processors import MapCompose, TakeFirst
def ext(value):
    return "新闻：" + value
class UisdcItem(Item):
    # define the fields for your item here like:
    title = Field(
        input_processor=MapCompose(ext),
        output_processor=TakeFirst()
    )
    author = Field(output_processor=TakeFirst())
    tag = Field(output_processor=TakeFirst())